NOTEARS: Kontinuirana optimizacija za učenje kauzalnih struktura
NOTEARS (No Tears: Acyclicity Regression Structure) je algoritam za učenje kauzalnih struktura koji su 2018. na NeurIPS-u predstavili Zheng, Aragam, Ravikumar i Xing. Oni su kombinatorno težak problem učenja usmjerenog acikličkog grafa (DAG) iz opservacijskih podataka preoblikovali u kontinuirani, glatki optimizacijski problem, omogućujući korištenje standardnih rješavatelja temeljenih na gradijentu i uklanjajući potrebu za iscrpnim kombinatornim pretraživanjem prostora grafova.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Zheng, X., Aragam, B., Ravikumar, P., & Xing, E. P. (2018). DAGs with NO TEARS: Continuous optimization for structure learning. Advances in Neural Information Processing Systems, 31. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). NOTEARS Continuous DAG Structure Learning. ScholarGate. https://scholargate.app/hr/causal-inference/notears
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Bayesova mrežaBayesovska statistika↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →